管理人情绪指数与股票预期收益【集思广译·第54期】
引言
行为金融学的许多研究表明，投机性市场情绪会导致价格偏离其基本价值，进而有学者提出了多种投资者情绪指数，然而，企业管理人也会受情绪影响过于乐观或悲观地估计了公司基本面情况，造成非理性的市场结果。本文根据企业财务披露文本语气构建了管理人情绪指数，检验了其在样本内外的预测能力，并从经济学角度解释了其作用机制。
管理人情绪指数预测能力强且与未来股市总体收益负相关
管理人情绪可以较为显著地预测未来股市收益，且与未来收益负相关。该指标每月样本内和样本外R^2分别为9.75%和8.38%，远远高于宏观经济变量的预测能力，其表现也超过了现有的投资者情绪指数。
管理人情绪指数包含投资者情绪指数的增量信息
通过回归模型与预测包含检验，作者发现管理人情绪指数与现有的投资者情绪指数互相不存在包含关系，在格兰杰因果关系检验中也没有发现两者之间的超前或滞后关系。因此，管理人情绪包含了投资者情绪的增量信息，两者互补。
管理人情绪指数的预测能力来自对未来现金流的错误预期
作者探究了未来管理人情绪指数与公司超预期盈利以及投资增长之间的关系，认为情绪高涨时管理人会乐观地预期未来现金流，从而造成过度投资，损害了公司价值和未来股票的收益。
管理人情绪指数在难以估值且套利成本高昂的公司上表现更好
作者在截面上按公司基本面特征进行分组，计算分组多空收益与管理人情绪指数之间的关系。研究发现难以估值且套利成本高昂的公司对于管理人情绪指数的变化更为敏感。
总结
本文基于企业财务披露的文本语气构建了管理人情绪指数。管理人情绪可以较为显著地预测未来股市收益，且与未来收益负相关。该指标每月样本内和样本外R^2分别为9.75%和8.38%，远远高于之前研究的其他宏观经济变量的预测能力。它的预测能力在经济学上能够解释，并且与现有的投资者情绪指标相互补充。研究表明，公司管理人的乐观情绪常常预示着预期外盈利下降和总投资增长加快。此外，对于那些难以估值且套利成本高昂的公司，管理人情绪在横截面上对这些公司股票具有很强的预测能力。
一
文献来源
二
引言
行为金融学的许多研究表明，投机性市场情绪会导致价格偏离其基本价值（De Long等，1990；Shefrin，2008）。Baker和Wurgler（2006）根据经验提出了一个投资者情绪指数，该指数已被广泛用于解释资产价格。最近，Huang等人（2015）提出了另一个指数，该指数意在与要解释的资产回报相统一，因此表现更好，他们的成果被Zhou（2018）收录进了文献综述。然而，当前学术界对于有着公司信息优势的企业管理人的情绪研究却相对较少。与普通投资者一样，企业管理人也会受情绪的影响带来决策的失误。因此，他们可能过于乐观或悲观地估计了公司基本面情况，导致非理性的市场结果（Malmendier和Tate，2005；Baker和Wurgler，2012；Greenwood和Shleifer，2014）。
在本文中，我们研究了管理人情绪对资产定价的影响，重点关注其对未来美国股市收益的预测能力。虽然这种带着管理人情绪的观点可能并不代表公司的基本面，但投资者可能仍会直觉地相信管理人的观点，因此，高涨的管理人情绪可能会导致市场被高估。当估值回归基本面时，股票价格就会逆转，从而产生较低的股票收益（Baker和Wurgler，2007）。然而，这种假设在股市中是否成立有待检验。
我们根据公司财务报表和电话会议中的汇总文本构建管理人情绪指数，因为对公司业绩的定性描述反映了管理人对公司近期和未来表现的主观观点（Li, 2008; Li, 2010; Henry, 2008; Blau, DeLisle, Price, 2015; Brochet, Kolev, Lerman）。类似于Tetlock （2007），Loughran 和 McDonald（2011），García（2013）等人的工作，使用标准字典方法并参照Loughran和McDonald（2011）提出的财会词典，我们用财报和电话会议中正面和负面单词数量之间的差异来衡量文本的语气，并且根据文本的总字数进行缩放使得指数有个统一的标准。然而，我们与之前的研究有两个主要区别。首先，之前的研究侧重于预测公司层面的业绩指标，但我们提供了一个综合指数来衡量市场的整体管理人情绪，并调查其对股市综合收益以及横截面股票收益的影响。其次，其他研究以季度或年度的频率使用公司披露的报告，但我们使用月度公司披露的数据来计算指数。使用月度频率，可以方便地将我们的指数与其他投资者情绪指数以及宏观经济预测指标进行比较。
与我们之前描述的行为理论假设一致，基于文本语气的管理人情绪指数显著负向地预测了未来的股票市场总回报。我们使用 2003 年 1 月至2014 年 12 月的市场超额收益率，对滞后一期的管理人情绪指数进行回归。管理人情绪指数在样本内 R^2为29.75%，管理人情绪每增加一个标准差，下个月的预期超额市场回报率就会下降1.26%。此外，管理人情绪的预测能力在样本外仍然存在，在2007年1月至2014年12月间样本外R^2也有8.38%。因此，当经济和市场见顶时，企业管理人整体会过于乐观，从而管理人情绪指数是一个逆向的预测指标。
我们根据管理人情绪来研究其对于股市预测的能力。继Kandel和Stambaugh（1996）以及Campbell和Thompson（2008）之后，我们使用样本外预测来计算确定性等价（CER）收益和夏普比率，用均值方差的框架将财富最优地分配给股票和无风险资产。我们发现，管理人情绪指数为投资者带来了极大的收益回报，年化CER收益为7.92%。考虑完交易成本后，CER收益仍然高达7.86%。管理人情绪的月度夏普比率约为0.17，远高于同期市场夏普比率的-0.02。
我们还将管理人情绪指标与各种宏观经济预测指标进行了比较。考虑Goyal和Welch（2008）使用的14个常见的宏观经济变量，例如短期利率（Fama，Schwert，1977；Breen，Glosten，Jagannathan，1989；Ang，Bekaert，2007），股息收益率（Fama，法国，1988；Campbell，Yogo，2006；Ang，Bekaert，2007），收益价格比（E/P）（Campbell和Shiller，1988），期限利差（Campbell，1987；Fama，French，1988），账面市值比率（Kothari，Shanken，1997；Pontiff，Schall，1998），股票波动性（French，Schwert，Stambaugh，1987；Guo，2006），通货膨胀（Fama，Schwert，1977；Campbell，Vuolteenaho，2004），以及公司发行活动（Baker 和 Wurgler，2000年）。我们发现，管理人情绪的预测能力高于其他宏观经济指标，并且将这些指标纳入回归模型后其预测能力保持不变。
我们还研究了管理人情绪与超预期盈利之间的关系，以探索公司未来现金流的预期误差。与Greenwood，Shleifer（2014）和Hirshleifer等人（2015）的外推预期模型一致，我们发现管理人情绪负向预测了明年的超预期盈利。此外，我们发现未来超预期盈利有助于解释管理人情绪指标对未来年度收益的预测能力，研究表明对未来现金流的预期误差可能是管理人情绪指标预测未来市场回报能力的主要因素。
接下来，我们研究管理人情绪与未来总投资增长之间的关系。在管理人情绪高涨的时期，总投资增长在短期三个季度内会有显著增长，但从两年长期视角来看，总投资增长较低。我们认为高涨的管理人情绪反映了管理人对未来投资的回报过于乐观，从而导致过度投资，这与Gennaioli等人（2016）的投资外推预期模型和Lamont（2000）的投资滞后摩擦模型一致。
我们将管理人情绪指数与文献中现有的五种投资者情绪指标进行比较：1）Baker and Wurgler（2006）投资者情绪指数;2）Huang等人（2015）调整投资者情绪指数;3）密歇根大学消费者信心指数;4）经济咨商会消费者信心指数;5）Da等人（2015）FEARS情绪指数。我们发现，管理人情绪指数与所有这些现有的投资者情绪指标正相关。其中相关性最大的是Baker and Wurgler（2006）投资者情绪指数，相关系数约为0.5。其他相关性较小，范围在 0.1 到 0.2之间。
我们发现管理人情绪指数与现有的投资者情绪指数明显不同，它包含独特的增量信息。首先，在控制了这些现有的投资者情绪指标后，管理人情绪指标的预测能力仍然很强。其次，经济学的检验也证实了管理人情绪不包含于现有投资者情绪指标。第三，管理人情绪的预测能力强于现有的投资者情绪指标。我们发现广泛使用的Baker和Wurgler（2006）投资者情绪指数样本内外的R^2分别为 5.11% 和 4.53%，均低于样本内和样本外管理人情绪指数的表现。第四，管理人情绪指数在格兰杰因果关系检验中与现有投资者情绪指数之间没有显著的超前滞后关系。第五，与管理人情绪包含更多的超预期收益信息。第六，较高的管理人情绪与过度投资密切相关，但投资者情绪与过度投资之间的联系很弱。
管理人情绪也负向地在横截面上预测了股票回报，在高增长、高财务约束、低股息、高杠杆、高财务困境、低盈利能力、高超预期收益、低价格、高周转率、高Beta、高特质波动、成立时间短和小市值的股票上表现更为明显。这些结果与Baker和Wurgler（2006）一致，表明难以估值且套利成本高的股票对管理人情绪驱动的错误定价更敏感。相比之下，虽然投资者情绪可以很好地预测套利成本高昂的股票，但它无法预测那些难以估值的股票。
我们主要的工作在投资者情绪及其在资产定价的研究领域。Baker 和 Wurgler （2006）、Baker 和 Wurgler （2007）、Yu 和 Yuan （2011）、Baker 等人（2012）、Stambaugh 等人（2012）、Huang 等人（2015）通过投资者情绪指标预测了市场的收益。Bergman和Roychowdhury（2008）发现，管理人会在情绪高涨时期会更少地追求长期盈利。Seybert和Yang（2012）发现，管理者对于公司盈利的观点引导了投资者情绪，使其可预测未来的市场回报。Brown等人（2012）发现，管理人更有可能在情绪高涨的时期披露未来预期的收益。ribar和McInnis（2012）发现，当情绪高涨时，分析师对不确定或难以估值公司的盈利预测更为乐观。Arif and Lee（2014）提出了一种基于投资的投资者情绪衡量标准。Bochkay和Dimitrov（2015）发现，在投资者情绪高涨的情况下，管理人的披露往往更加乐观。相比之下，我们的论文提出了一种基于文本语气的管理人情绪指标，该指标相比现有投资者情绪指标包含独特的管理人情绪等增量信息，并且比其他指标具有更强的预测能力。
我们的论文涉及有关公司文本的披露。例如，Henry（2008）使用电信和计算机行业的发布的盈利情况对管理人情绪进行了早期研究。Price 等率 （2012）使用Henry（2008）开发的单词列表来衡量电话会议期间的管理人情绪。Loughran和McDonald（2011）的研究与我们类似，他们全方位地构建了一个商业环境中使用的情绪词列表，并发现在公司层面，管理人情绪与同时期截面中[0，3]这四天事件期回报之间存在正向的关系[见Loughran and McDonald（2016）最近的文献综述]。作为对他们的研究的补充，我们发现在一个月到一年的较长时间内，管理人情绪与未来股票收益在总体和公司层面均存在负向关系。我们发现管理人情绪捕捉的是错误定价，而不是基本面信息。此外，将积极词语的加入情绪词列表有助于预测总体的股票回报，而管理人情绪在难以估值且套利成本高昂的公司上表现更为显著。
我们的论文还涉及对总体财务披露与股票市场回报之间关系的研究。Penman（1987）发现，总体的盈利信息解释了股票市场的总回报。Kothari等人（2006）发现，盈利增长与市场回报负相关。Anilowski等人（2007）发现，管理者提出的盈利提高的目标指引与月度市场回报呈正相关，但在季度范围内相关性不强。相比之下，我们发现总体管理人情绪与未来一个月到一年的市场回报负相关。因此，管理人情绪与其对公司的指引不同，前者反映了管理层对公司未来现金流的过于乐观或悲观的预测。
本文的其余部分安排如下。第 2 节讨论了管理人情绪指数的数据来源和构建方法。第3节调查了管理人情绪对总市场投资组合回报的样本内预测能力，并将其与宏观经济变量和其他情绪指标进行比较。第4节考察了管理人情绪的样本外预测能力及其对资产配置的作用。第5节调查了管理人情绪对未来超预期盈利的预测能力，研究了其与公司投资的关系，并按组合的投机倾向和套利限制等特征排序探究了该指标在横截面上的预测能力。第6节对我们的研究成果进行总结。
三
数据和方法
3.1
管理人情绪指数的构建
我们根据2003年1月至2014年12月的财报季报以及电话会议记录中的文本语气计算月度管理人情绪指数。2000年，美国证券交易委员会（SEC）发布了《公平披露条例》，要求上市公司同时向所有投资者披露重要信息。因此，电话会议记录从2002年底左右开始公开。此外，2002年，为了应对几起备受瞩目的会计丑闻（如安然和世通），国会通过了萨班斯-奥克斯利法案（SOX），要求进行严格的改革，以提高财务报告质量并保护投资者免受欺诈。尽管从 95 年开始，电子数据收集、分析和检索系统 （EDGAR） 上就已经提供了电子季报和财报文件，但 SOX 法案的出台使得之前的记录与现在不一致。因此，我们使用2002年后的财报季报以及电话会议记录构建月度管理人情绪指数，以减轻《公平披露条例》和 SOX 造成数据结构性中断的影响。
我们首先将 Compustat 上所有具有正总资产的非金融、非公用事业公司与其相应的唯一 Factiva 标识符相匹配来识别进行电话会议的公司。在 11336 家公司中我们找到了 6715 家公司的 Factiva 标识符。然后，我们使用每家公司的唯一标识符，在Factiva公开披露的电汇中搜索2003年至2014年间的公司电话会议，并找到5859家公司的113570份电话会议记录。由于电话会议滞后于财报季度，我们样本中的电话会议对应于 2002 年第四季度到 2014 年第三季度的财政季度。
我们将每月举行的每次电话会议记录中正字数与负词数之间的差额除以电话会议的总词数，再在截面上平均得到每月汇总的电话会议汇总文本语气指标S^CC。Price等人（2012）等人研究了用公司层面的电话会议来衡量管理层情绪，发现电话会议显著预测了公司异常回报和盈余公告后的价格变动。我们使用词典方法通过计算单词出现的次数来量化文档中的文本语气，忽略顺序和标点符号。其中消极词和积极词根据Loughran和McDonald（2011）的金融词典分类，他们开发了一组极具影响力且广泛使用的商业词表，可以很好地揭示财务和会计文本中的语气。由于每月电话会议的分布跟随财报季具有季节性，因此我们以每月电话会议次数加权使用四个月移动平均来平滑电话会议指标，以消除季节性和指数特殊跳跃的影响。
然后，我们从EDGAR网站（www.sec.gov）获得了10414家公司的264335份财报。我们排除了金融和公用事业部门的公司以及总资产缺失或为负的公司。Loughran和McDonald（2011）发现完整的财报文件和管理层的讨论和分析（MD&A）部分经常使用相似的单词，专注于MD&A部分会导致信息的损失，我们根据整个财报文件计算文本语气。由于提交的财报文档通常采用HTML格式，因此我们采用Li，2008和Li，2010的做法从文档中删除了所有的图像，表格，HTML代码，特殊符号和其他非文本项目。
与上文指标类似的定义方式，我们计算每月财报中正面词与负面词数量之差，除以每篇财报的字数，再进行平均，从而定义每月财报汇总文本语气指标S^FS，指标的数据范围在2003年月至2014年12月。Li（2010），Feldman等人（2010）和Loughran、McDonald（2011）使用公司层面的财报文本分析管理人情绪，并发现它与公司的回报，交易量，波动性，欺诈和盈利有关。我们根据Loughran和McDonald（2011）金融词典中的负面词和正面词的分类构建财报指数。因为季报中通常包含较少的文本，Loughran和McDonald（2011）的研究专注于年报。在我们的样本周期内，年报平均包含约42000个单词，而季报包含约15000个单词。然而，通过在分析中包含季报，我们可以更及时地了解管理人情绪，更方便地与其他常用的月度宏观经济变量进行比较。因此我们按每月财务报告数量加权，使用四个月移动平均线来平滑月度指数，以消除指标的季节性和特殊跳跃。
我们的主指数月度综合管理人情绪指数S^MS，定义为电话会议和财务报表指标的平均值，
其中S^CC为月度汇总电话会议文本语气指标，S^FS为月度汇总财报文本语气指标。沿用Baker，Wurgler，2006，Baker，Wurgler，2007的方法，每个语气指标都已标准化为均值为0方差为1。S^MS指数反映了任何月份整个市场的总体管理人情绪。
图1中管理人情绪指数S^MS反映了情绪水平的随时间的变化序列。在互联网泡沫之后的2000年代初，管理人情绪指数很低。随后，市场情绪升至顶峰，并在2008-2009年次贷危机期间急剧跌至低谷。最近，管理人情绪在2010年初再次上升。尽管与Baker–Wurgler投资者情绪指数的构建方式和使用的信息不同，管理人情绪指数似乎与捕捉到了类似的情绪波动。
管理人情绪指数有几个引人注目的属性。首先，它捕获了年报季报和电话会议中常见的表明管理人情绪的成分，并分散了每个单独成分中的噪音。如图2所示，虽然S^CC和S^FS都捕获管理人情绪，但它们之间的相关性不高，相关系数仅为0.21，这表明电话会议和财务报表包含的信息是互补的。其次，在构建管理人情绪指数时同时使用正面和负面词。虽然负面词往往比正面词具有更强的信息内容，但两者之间的相关性并不大，正面词可能包含负面词之外的增量信息。第三，该指数对标准化的单个分量简单等权，这样易于计算，并且表现稳定。Timmermann（2006）和Rapach等人（2010）发现，在具有复杂且不断变化的数据环境中，简单的“1/N”加权组合预测通常优于通过复杂优化估计参数加权的预测。
尽管如此，出于鲁棒性的目的，我们构建了几种可选的文本语气指标。首先，我们还估计了一个复杂的回归权重的管理人情绪指数，S^RC=0.37S^CC+0.63S^FS。其中权重的确定是使用Cochrane和Piazzesi（2005）的方法，把单个的文本语气指标当作解释因子对市场超额收益进行回归，
上述回归中的系数不是唯一的，我们给定约束Υ^CC+Υ^FS=1使得权重是唯一确定的。
其次，我们构建市值加权的管理人情绪指数。通常，等权指数的表现优于值加权指数。这是因为相等权重能反映更多的公司而不会仅代表某些大公司。Huang等人（2015）认为，鉴于情绪指数不是可交易的资产，在形成综合情绪指数时，我们应该更加重视更容易受到情绪影响的个体公司。Baker和Wurgler（2006）发现，小公司通常比大公司对情绪更敏感。因此，按市值加权指数可能无法捕捉到这种敏感性。
最后，我们分开使用正面和负面词语来计算管理人情绪指标。Loughran和McDonald（2011）等人认为，负面词语在衡量语气方面通常比积极词语更有效，这可能是由于公司管理人在负面的信息中经常否定正面词语。一个有趣的现象是，仅基于正字数和负字数构建的管理人情绪指数通常彼此正相关，但相关性不是很大（电话会议指数约为 0.4，财报指数约为0.2）。
3.2
其他数据
我们按月频在总体股票市场或单一特征排序投资组合上进行大部分实证测试。超额市场收益等于标准普尔（S&P）500指数（包括股息）的月收益率减去无风险利率，该数据可从Goyal and Welch（2008）和Amit Goyal的网站获得。我们直接从Ken French的网站提取各种按投资套利限制分类的投资组合的截面股票收益，或可以使用证券价格研究中心（CRSP）和Compustat上提供的个股价格和收益率计算。
为了进行比较，我们还考虑了5个文献中已有的投资者情绪指数，这些指数是使用来自股票市场、家庭调查或谷歌关键词搜索等数据构建的。
Baker 和 Wurgler （2006） 投资者情绪指数，S^BW，这是基于股票市场的6个情绪指标的第一个主成分，包括封闭式基金折价、纽约证券交易所股票成交额、IPO的数量和平均首日回报率、新发行股票份额和股息溢价。
Huang等人（2015）调整投资者情绪指数，S^HJTZ，它使用偏最小二乘法更有效地利用了Baker 和 Wurgler的六个投资者情绪指标中的信息。
密歇根大学消费者信心指数，S^MCS，基于对全国代表性家庭样本的电话调查。
经济咨商会消费者信心指数，S^CBC，基于对美国家庭随机抽样的邮件调查。
Da 等人FEARS投资者情绪指数，S^FEARS，基于与家庭问题（例如，“经济衰退”、“失业”和“破产”）相关的互联网搜索量。
这些现有的投资者情绪指数，特别是Baker 和 Wurgler投资者情绪指数S^BW，已被广泛用于许多研究中，例如Baker 和 Wurgler（2006），Baker 和 Wurgler（2007），Bergman和Roychowdhury（2008），Yu和Yuan（2011），Baker等人（2012），Stambaugh等人（2012），Brown等人（2012），Hribar和McInnis（2012），Mian和Sankaraguruswamy（2012）， Antoniou等人（2016）等。
管理人情绪指数对股票收益的解释力可能来自其有关商业周期的信息。例如，管理者可能会出于理性的原因使用较为乐观的语言，比如解释有利的预期经济状况。为了控制商业周期的影响，我们使用与宏观经济基本面直接相关的14个月度经济变量，即对数股息价格比率 （DP）、对数股息收益率 （DY）、对数收益价格比 （EP）、对数股息支付率 （DE）、股票回报方差 （SVAR）、账面市值比率 （BM）、净股本扩张 （NTIS）、国库券利率 （TBL）、长期债券收益率 （LTY）、长期债券回报率 （LTR）、期限利差 （TMS）、违约收益率利差 （DFY）、违约回报利差 （DFR） 和通货膨胀率 （INFL）。这些变量定义如下：
股息价格比率（对数），DP：标准普尔500指数支付的12个月移动股息和的对数减去股票价格（标准普尔500指数）的对数。
收益价格比率（对数），EP：标准普尔500指数的收益对数与价格对数之间的差异，其中收益使用一年的移动总和来衡量。
股息支付率（对数），DE：标准普尔500指数的股息对数与收益对数之间的差异。
股票回报方差，SVAR：标准普尔500指数每日回报的平方和。
账面市值比率，BM：道琼斯工业平均指数的账面价值与市值之比。
净股本扩张，NTIS：纽约证券交易所上市股票的12个月净发行量与纽约证券交易所股票年终总市值的比率。
国库券利率，TBL：3个月国库券的利率（二级市场）。
长期收益率，LTY：长期政府债券收益率。
长期回报，LTR：长期政府债券的回报。
期限利差，TMS：长期收益率与国库券利率之间的差额。
违约收益率利差，DFY：BAA和AAA级公司债券收益率之间的差异。
违约回报利差，DFR：长期公司债券回报与长期政府债券回报之间的差额。
通货膨胀，INFL：根据消费者物价指数（CPI）（所有城市消费者）计算；沿用Goyal和Welch（2008）的方法，通货膨胀相对于股市回报滞后了两个月，以解释CPI发布的延迟。
四
预测回归分析
4.1
市场收益可预测性测试
我们采用标准预测回归模型来分析股票市场总回报的可预测性：
这里是从t到t+h未来h个月的超额总市场回报率（标准普尔500指数的回报率减去无风险利率），S_t^MS是管理人情绪指数。在上述回归中，S_t^MS被归一化至均值为0和方差为1，以便于变量之间的比较和解释。我们希望是回归方程中β的重要性。原假设是管理人情绪没有预测能力（β=0）.在这种情况下，回归方程简化为恒定的期望回报模型。为了对更有力地检验变量的预测性，Inoue和Kilian（2004）建议对β使用单边备择假设。因此我们的原假设是H_0:β=0，备择假设是H_A:β<0，这是由于之前的理论表明β是一个负信号。
众所周知，回归方程中的统计推论会因计量经济学中的问题而变得复杂。首先，如果预测因子具有高度持久性，则会影响普通最小二乘（OLS）回归的结果（Ferson等人，2003）。其次，由于小样本偏差Stambaugh（1999），预测回归的系数在有限样本中会发生偏差，当预测因子高度持续并与超额市场收益相关时，可能会扭曲t统计量。第三，当h>1时，使用重叠的观测值可能使标准误差和相关t统计量产生偏差（例如，Hodrick，1992；Goetzmann，Jorion，1993；Nelson，Kim，1993）。为了处理这些复杂的情形并做出更可靠的推论，遵循Huang等人（2015）的做法，我们使用异方差和自相关稳健的Newey-West统计量，并计算了解释预测因子持久性的野自助法（wild bootstrap）经验p值，超额市场回报与预测变量之间的相关性，以及收益分布的一般形式。
图3展示了管理人情绪指数 S^MS在每个阶段预测回归的样本内 OLS 估计结果。首先，在每月的维度上，S^MS上的回归斜率β为-1.26，并且基于自助法的 p 值在 1% 水平上具有统计显著性，其Newey-West统计量为-3.57。因此，S^MS是一个重要的负向市场预测指标：高涨的管理人情绪与下个月的低迷的超额市场回报有关。这一发现与我们的假设一致，作为情绪指数，S^MS高（低）时使得整个市场被高估（低估），进而导致未来低（高）的股票回报。
从经济意义上讲，回归系数表明 S^MS 每增加一个标准差下个月的预期超额市场回报下降就下降1.26%。在我们的样本期内，平均每月超额市场回报率为0.76%（回归方程和图3中的α）。因此，-1.26%的斜率意味着基于每单位S^MS的预期超额市场回报变化比其平均水平大1.5倍（Cochrane，2011）。此外，Campbell和Thompson（2008）研究得出，由于每月市场回报中很大一部分为不可预测成分，因此每月样本外R^2仅为0.5%的统计数据就可以产生显著的经济价值。在月频下，S^MS产生高达9.75%的R^2。如果这种可预测性能够在样本外持续下去，它将具有重大的经济意义（Kandel和Stambaugh，1996）。这一点将在第4节中进一步分析。
其次，我们研究了管理人情绪指数在长达三年的较长时期内的预测能力。管理人的情绪具有高度持久性，因此可能对股票市场产生长期影响。此外，由于套利的限制，管理人情绪的错误定价可能不会被短期套利者完全消除。Brown， Cliff， 2004， Brown， Cliff， 2005 研究发现，基于调查的投资者情绪指标在超过一年的长期范围仍能显著地预测收益。Baker et al. （2012）发现从1980至2005年，全球情绪指数在t-1年度显著预测了未来12个月国家层面的市场收益。Huang等人（2015）表明，调整投资者情绪指数S^HJTZ在长达一年的时间范围内具有强大的预测能力。
如图3所示，在季度、半年度、九个月、每年、两年和三年的范围内，S^MS稳定显著地预测了长期超额市场回报。例如，在年度范围内，S^MS一个标准差的正向变动使得下一年股市总回报率下降8.58%。跨期限来看，用R^2表示的样本内预测能力以随着期限先增加后下降。样本内的 R^2 在9个月预测收益时达到27.1%的峰值。S^MS回归系数的绝对值通常随着预测期限的增加而增加，并在 24 个月时开始稳定。
综上所述，图3显示管理人情绪指数是对于一个股票市场总收益领先的负向预测指标。这一成果补充了现有的关于情绪指数的研究，它表明管理人情绪与投资者情绪相似，在股市表现疲软（强劲）之前达到峰值（低谷）。
4.2
公司层面的收益可预测性测试
为了在总体上更好地理解的管理人情绪，在本小节中，我们研究了管理人情绪与公司层面后续股票回报之间的关系。
图4展示了在各个窗口内测量的公司级管理人情绪与股票收益之间的回归估计结果。遵循Loughran和McDonald（2011）的方法，我们控制了计算收益前一天的公司规模（log（Size））、账面与市值比率（log（BM））（采用基于Fama和French（2001）文献中指定的事件发生日期前不超过一年的最新Compustat和CRSP数据）、以事件日期前[-252，-6]天的股票成交额（log（Turn））、 事件日期前[−252， −61] 天的Fama-French模型的alpha (Alpha)，事件发生日期之前一个季度的机构持仓（Institute），以及纳斯达克上市的哑变量（Nasdaq）。Fama-French 48 个行业哑变量和常数项也包含在每次回归中。
与Loughran和McDonald（2011）的研究成果一致，图4的第一列显示了公司层面的管理人情绪与前4天股票收益间呈正相关关系。作为对Loughran和McDonald（2011）的补充，我们还研究了公司层面的管理人情绪与其后1至12个月的长期超额回报之间的预测关系。当我们观察后12个月内累积长期超额回报时，我们发现管理人情绪对随后的长期股票回报具有显著的负向预测能力，这与我们在总体市场层面的发现一致。
总之，我们发现管理人情绪与随后的未来股票回报在总体层面和公司层面之间都存在负向预测关系。结合Loughran和McDonald（2011）记录的两者在短期的正相关性，这些结果表明管理情绪捕获的是错误定价而不是基本信息。
4.3
其他可选的管理人情绪指标
在本小节中，我们展示了本文结果对管理人情绪的各种替代指标具有稳健性。
首先，我们考虑上文中带有回归权重管理人情绪指数S^RC，该指数使用回归方法对不同文本语气指标的权重进行最佳估计。图5的图A提供了S^RC的估计结果。S^RC的回归斜率是-1.28，其Newey–West的t统计量是-3.67，略大于 S^MS，这表明最优加权 S^RC在样本内可进一步提高S^MC的预测能力。其R^2值为10.3%也略大于S^MS 9.75%的R^2。然而，Rapach等人（2010）表明，由于参数不确定性和模型不稳定性，在样本外的测试中复杂的最优加权预测可能低于简单等权预测。
其次，我们分别考虑S^CC和 S^FS，两个管理人情绪指数分别基于汇总电话会议和财报文本的语气，以及它们对应的按市值加权的指标S^CCV和 S^FSV。图5的面板A分别展示了四个指标的预测能力。与理论一致，S^CC和 S^FS是显著的收益负向预测因子。S^FS相对S^CC具有较大的样本内预测能力，R^2分别为 8.10% 和 4.05%，与其在加权S^RC指数中也拥有较高的权重。对于按市值加权的指标，与Baker和Wurgler（2006）的成果一致，我们也检测到其显著预测能力，但要弱于相应的等权指标。原因在于小公司难以估值和套利，因此它们对市场的情绪比大公司更敏感。与（Baker，Wurgler，2006，Baker，Wurgler，2007）的成果一致，我们发现S^MS的表现一直优于单个文本语气指标，这表明我们的综合情绪指数比单个指标更强大。
最后，我们将正面词与负面词指标分开，考虑 S^CCP和 S^CCN，以及S^FSP和S^FSN，分别是电话会议以及财报文本语气的正面词和负面词指标。这些指标都经过标准化，均值为0方差为1。图5的面板A分别展示了四个指标的预测能力。我们发现，其中三个（S^CCN、S^FSP和S^FSN） 是收益显著的负向预测因子，但S^FSP和S^FSN的预测能力小于包含两个指标信息的 S^FS。因此，特别对于财报的文本，负面词和正面词都能有衡量管理人情绪。这可能是由于将正面和负面词放在一起时会起到降噪效果。此外，由于公司管理人倾向于避免使用负面词语，因此将积极词语纳入指标可能会更好地评估管理人情绪。然而，正如Loughran和McDonald（2011）的研究结果，我们发现仅基于负面词语的管理人情绪指标优于仅基于积极词语的指标，这可能是由于公司管理人公布负面消息时经常否定积极词语。
4.4
经济周期分析
这一发现与García（2013）和Huang等人（2015）的投资者情绪指数以及Rapach等人（2010）和Henkel等人（2011）的其他宏观经济变量在不同经济周期的表现一致。从直观上理解，由于过度外推偏差，管理人往往会在经济周期高峰（低谷）附近变得过渡乐观（悲观），这可能导致错误估值和收益的反转。此外，在经济衰退期间，失业和对未来的不确定性提高，给投资者带来更多困扰（García，2013），这反过来又会使市场对这些时期的管理人情绪更加敏感。
在图5的面板B中，我们还将整个样本分为高情绪期和低情绪期，以研究S^MS预测能力的经济解释。根据 Stambaugh 等人（2012），如果上个月的管理人情绪水平高于（低于）样本期的中位数，我们将这个月归类为高（低）情绪，并用之前相同的方式计算和情绪高点和低情绪时期的统计数据R_high^2和R_low^2。我们发现 S^MS 的预测能力在情绪高涨的时期更强。例如，在情绪高涨的时期，S^MS的R_high^2为12.9%。相比之下，在情绪低迷时期，S^MS的R_low^2仅为6.93%。这些结果与Shen等人（2017）和Huang等人（2015）基本一致，当情绪较高时，管理人情绪与投资者情绪类似，具有更强的预测能力，在此期间，由于套利和卖空的限制，定价错误的可能性更大，导致情绪指标更强的预测能力。
4.5
管理人情绪指标与宏观经济因子对比
在本小节中，我们将管理人情绪指数S^MS与宏观经济指标一起进行回归来测试其预测能力，检查其预测能力是否由与之前没有考虑的经济周期基本面或宏观经济风险变化因子驱动。
首先，我们考虑单个经济变量的预测回归模型，
其中Z_t^k是2.2节中定义的14个宏观变量之一，或者是从这些宏观变量中提取出的第一个主成分。
图6的面板A展示了的回归结果。在 14 个经济指标中，只有股票回报方差 （SVAR）、净股票扩张 （NTIS）、国库券利率 （TBL） 和长期收益率 （LTY） 在 10% 或更高的显著性水平上表现出预测能力。在这四个重要的经济变量中，有三个指标的R^2 高于1.5%（SVAR、NTIS 和 LTY），其中SVAR的R^2大于 5%。面板A的最后一行显示ECON因子在预测超额市场回报时并不显著，R^2只有0.12%。因此，S^MS在预测样本中的每月超额收益方面，优于所有单个宏观经济因子和他们组合的主成分。
图6的面板B显示，β的估计值范围为-1.10至-1.42，均为负数，且在经济意义上数值很大，与图3中的回归结果一致。更重要的是，在经济预测因子的影响下，β在1%或更高的水平上仍然具有统计意义。R^2的范围为9.83%至14.2%，相比A中仅根据经济预测指标回归得到的R^2更大。这些结果表明，管理人情绪指数S^MS 的回报预测能力不由宏观经济基本面驱动，它包含大量情绪预测信息，与经济预测指标中包含的信息互补。
4.6
与投资者情绪指数对比
在本小节中，我们将管理人情绪指数S^MS与现有的投资者情绪指数进行对比。
首先，图2显示管理人情绪指数与投资者情绪相关，这表明管理人总体上与投资者分享某些情绪要素。在本小节中，我们将进一步研究 S^MS 的预测能力是否是投资者情绪指标的替代还是补充。目前文献的几乎仅关注投资者在预测股票回报时的情绪。但鉴于管理人更了解他们的公司，且也受到自身认知偏见和情绪的影响，研究管理人情绪的预测能力是有意义的。
图7的第四列显示，Huang等人（2015）调整投资者情绪指数S^( HJTZ)，这是通过更有效地调整上文S^( BW)的做法而生成的调整投资者情绪指数，其R^2为8.45%，小于S^( MS)但大于S^( BW)。我们关注的点是管理人情绪是否主导投资者情绪还是被投资者情绪主导。第五列显示当组合 S^( MS)与 S^( HJTZ)回归时生成样本内R^2的为 16.7%，几乎等于两个指标单独回归R^2的加总，这表明管理人情绪指数的预测能力S^( MS)和调整投资者情绪指数S^( HJTZ)几乎完全互补，该结果与图2 中的低相关性一致。
图7第六至第十一列显示，密歇根大学消费者信心指数（S^( MCS)）、经济咨商会消费者信心指数（S^( CBC)），以及Da等人（2015）FEARS投资者情绪指数（S^( FEARS)） 回报预测能力小于 S^( MS)，其R^2的范围为 0.26% 到 2.71%。当控制将S^( MS)纳入回归模型时，以上指数变得不显著，但S^( MS)仍然有着很强的负向预测能力。在最后一列中，我们将所有情绪指数包含在一个回归中，发现 S^( MS)在统计上仍然具有显著性，其系数值仍然较大，而其他情绪指数的系数由于多重共线性而变得更加不稳定。
简而言之，我们的研究结果表明，管理人情绪指数 S^( MS)相比现有投资者情绪指数包含更多的信息。
4.7
与投资者情绪的反馈关系
在本小节中，我们将进一步测试管理人情绪 S^( MS) 和现有的投资者情绪之间潜在反馈关系。直观来看，管理人情绪可能是投资者情绪的反馈，即投资者情绪领先于管理人情绪，或者可能管理人情绪领先于投资者情绪，还有一种可能是管理人情绪和投资者情绪分别捕获了独特互补的情绪信息。
为了正式分析管理人情绪指数与现有投资者情绪指数之间的反馈关系，我们采用以下模型，
其中 S^MS表示管理人情绪指数，S^BW表示Baker 和 Wurgler（2006）投资者情绪指数，以及S^HJTZ表示Huang等人（2015）的调整投资者情绪指数。我们设定滞后s=5。我们的回归模型类似于Tetlock（2007）和García（2013）等人的方法，在考虑了每个变量的自相关之后，该方法相当于管理人情绪和投资者情绪之间超前滞后关系的格兰杰因果关系检验。
图8的面板A显示了第一个回归方程的估计系数，它衡量了从投资者情绪到管理人情绪的反馈效应。图8中的面板B给出了第二个回归方程的估计系数，它衡量了从管理人情绪到投资者情绪的反馈效应。
图8显示，上述的两个回归模型可以在很大程度上解释管理人情绪和投资者情绪的时间序列上的动态关系，调整后的R^2为 83–94%。最重要的是，图8显示在格兰杰检验层面上，管理人情绪并不领先于投资者情绪，投资者情绪也不领先于管理人情绪。这表明指数自身的滞后值是当前管理人和投资者情绪水平的最强预测指标。这些发现证明了管理人情绪和投资者情绪捕获了不同的情绪信息，它们在衡量市场情绪方面是互补的。
4.8
预测包含检验
为进一步评管理人情绪指数S^MS 的相对5个可选指标包含的信息内容，我们进行了预测包含检验。Harvey等人（1998）开发了一种统计量，其零假现有的预测模型包含其他可选预测模型中的所有相关信息，而备择假设为其他预测模型包含超出现有预测模型的相关信息。
图9 显示了 Harvey 等人 （1998） 预测包含检验的 p 值。图9第一行显示管理人情绪指数S^MS包括电话会议与财报文本语气指标以及除S^HJTZ之外的四个投资者情绪指标，这表明 S^MS包含 S^HJTZ 以外的补充信息。第二行和第三行显示 S^CC和S^FS都没包含S^MS的全部信息，表明两个文本语气指标都包含增量信息，因此建议将两个指标复合为管理人情绪指数以充分利用其信息。此外，图9的第四行至第八行显示，五个可选的情绪指数中没有一个可以显著包含S^MS及其成分S^CC和S^FS，表明管理人情绪指数S^MS包含超出现有情绪指标的增量信息。
五
经济价值
5.1
样本外预测能力
在本节中，我们将调查管理人情绪指数的样本外预测能力。Goyal和Welch（2008）等人认为，样本外测试结果对投资者评估真实的收益预测能力更为重要。在有数据持续产生的假设下，样本内预测分析可提供更有效的参数估计，从而提供更精确的收益预测。然而，正如Goyal和Welch（2008）等人所述，这种假设在实践中是不正确的。此外，相比于样本内测试，样本外测试存在的过拟合，小样本量失真和Stambaugh偏差（Busetti and Marcucci，2013）等的计量经济学问题较少。因此，我们需要研究管理人情绪指数S^MS的样本外预测表现。
在时间 t 进行样本外预测的关键是我们仅使用不超过 t 时的信息来预测。沿用Goyal和Welch（2008）的方法，我们对每个滞后的管理人情绪指标相继进行样本外预测回归，
我们使用Clark 和 West (2007) 的 MSFE调整统计量（MSFE-adj）检验显著性，该检验的原假设是历史平均的MSFE小于或等于回归预测的 MSFE，备择假设是历史平均 MSFE 大于回归预测的MSFE，即H_0:R_OS^2≤0,H_A: R_OS^2>0。Clark和West（2007）表明，在比较嵌套模型的预测时，该检验统计量渐进地趋向标准正态分布。直观来说，在常量预期收益模型生成数据的零假设下，由于估计总体值为零的斜率参数，预测回归模型产生的预测比历史平均基准更噪声更多。因此，我们预计基准模型的 MSFE 小于预测回归模型在零假设下的MSFE。调整的MSFE统计量考虑了零假设下的历史平均 MSFE 和预测回归 MSFE 之间的负预期差异，因此即使R_OS^2统计量为负数也可以拒绝零假设。
图10第一行显示管理人情绪指数S^MS对总体市场表现出很强的样本外预测能力，其R_OS^2为8.38%。The Clark 和 West （2007） MSFE–adj 统计量为2.55，表明 S^MS的 MSFE在 1% 或更高显著性水平上小于的历史平均值的MSFE。S^MS的R_OS^2在经济上有很大的数值且在图10中大大超过其他五个投资者情绪指数指标的R_OS^2。此外，图10的第四和第五列显示，管理人情绪指数的预测能力集中在经济衰退期间，这证实了我们之前在图5中的结果。
图10第二行显示组合预测S^C有一个高达7.94%的R_OS^2，在5%的水平上显著。这些发现与Goyal和Welch（2008）和Rapach等人（2010）基本一致，虽然复杂的模型可能具有良好的样本内拟合效果，但由于估计误差较大，它们的样本外性能往往更差。
图10还显示了五个投资者情绪指数的样本外表现。五大指数中，两个投资者情绪指数S^BW和 S^HJTZ的R_OS^2是正显著的，分别为4.54%和3.14%。其他三个情绪指数S^MCS,S^CBC,S^FEARS的R_OS^2为负数，表示预测效果不及历史平均基准。所有投资者情绪指数的 R_OS^2 远低于管理人情绪指数S^MS。
综上所述，本节显示管理人情绪指数S^MS对总股票市场强大的样本外预测能力。此外，S^MS在样本外预测的表现大大优于现有的投资者情绪指数，这与我们在第 2 节中的样本内回归分析结果一致。
5.2
对于资产配置的影响
在本节中，我们从资产配置的角度研究管理人情绪指数S^MS收益预测能力的经济价值。使用Kandel和Stambaugh（1996）、Campbell和Thompson（2008）等人的方法，我们计算了均值方差框架下投资者的确定等价收益（CER）和夏普比率，该投资者使用样本外预测回归对股票和无风险资产进行最优分配。
在t时末，投资者以如下权重最优分配大类资产持有至时点t+1，
此外，我们还计算投资组合的月度夏普比率，即投资组合平均收益率减去无风险利率再除以超额投资组合收益的标准差。我们还考虑了50个基点（bps）交易成本的情况，这是一个较高的交易成本。
图11第一行显示管理人情绪指数S^MS在均值-方差框架下为投资者带来巨大的经济收益，与其图10中很高的R_OS^2结果一致。S^MS年化CER收益为7.92%，表明风险厌恶系数为5的投资者愿意支付高达7.92%的年度管理费，以获得基于S^MS的回归预测配置方案而不是使用历史平均数据来配置。在考虑交易成本后，CER收益仍然很高，扣除交易成本后CER收益为7.86%。采用买入并持有策略月度夏普比约为0.17，远高于同时期市场收益的夏普比率-0.02。第二行显示管理人情绪组合预测指标S^C也为投资者带来了巨大的经济收益。
图11的其余部分显示，在其他五个投资者情绪指数中，有两个投资者情绪指数（S^BW和 S^HJTZ）为投资者带来了巨大的经济收益，而其他三个指数的收益有限。在没有交易成本的情况下，基于S^BW和S^HJTZ配置的组合有较大的CER收益（S^BW为9.06%、 S^HJTZ为8.79%）和较高的夏普比率（S^BW 为 0.19、S^HJTZ 为0.18），在考虑交易成本后，两指标的经济收益仍然很大。虽然 S^MCS和 S^FEARS也有较高的CER收益（S^MCS为4.17%、 S^FEARS为5.80%），但它们的夏普比率很低，分别为0.03和0.01。S^CBC的CER 收益仅有0.62%，其夏普比率为-0.03。
总体而言，图11显示管理人情绪指数S^MS在资产配置上为投资者创造了可观的经济价值。考虑了交易成本后收益也是稳健的。
六
经济学机制
6.1
预测总盈利与预期外盈利
在本节中，我们将研究管理人情绪指数 S^MS 与未来总盈利以及超预期盈利之间的关系，以探索现金流预期误差。目前我们已经证明管理人情绪对未来股市总收益的预测是负向的。股票价格由预期未来现金流的贴现值决定。因此，管理人情绪指数的预测能力可能来自投资者对未来企业现金流的预期偏差，而这些预期不受经济基本面的影响（Huang等人 2015）。
当过去实现的盈利较高时，管理人情绪可能很高，管理人可能会由此外推至最近的盈利趋势，并乐观地预期未来的盈利也会很高，从而导致估值过高。实际上，企业的盈利往往意味会均值回归，导致其收入低于预期，从而带来低的股票回报（Greenwood，Shleifer，2014，Hirshleifer，Li，Yu，2015）。
图12的面板A1展示了在不同时间范围内使用滞后相应期数的管理人情绪指数预测未来超预期盈利的估计结果。我们采用以下标准预测回归（Campbell， Shiller， 1988， Fama， French， 2000， Menzly， Santos， Veronesi， 2004， Cochrane， 2008， Cochrane， 2011， Huang， Jiang， Tu， Zhou， 2015），
其中SUE_(t+h)是h个月后的超预期盈利，计算方法是按市值加权经过季调的公司超预期盈利和，最后按股价进行标准化处理。预测的时间范围h从0到36个月，其中0是指同期的关系。我们关注的是S^MS的系数β。如果时间的差异带来的风险溢价是管理人情绪预测未来市场收益的主要驱动因素，那么管理人情绪就不能与未来超预期盈利系统地联系起来。相反，如果管理人情绪因捕捉到未来现金流预期误差而导致的错误定价可以预测未来股票回报，则预计在管理人情绪高涨之后会出现负超预期收益。
图12的面板A1显示，管理人情绪负向预测了下个季度到下一年的未来超预期盈利。例如，在预测一年的超预期盈利时，S^MS的回归系数β在统计上显著为负，其t 统计量为-2.45。单变量回归的R^2高达31%。因此，高管理人情绪反映了对未来企业现金流过于乐观的错误预期，导致负的超预期收益。
为了进行比较，在面板B1中，我们还研究了管理人情绪在不同时间范围上对未来资产回报率（ROA）的预测能力，
我们发现，管理人情绪与同时期的资产回报率（ROA）呈正相关。在随后的六个月中，正相关关系仍然显著，随后在两年内相关关系变得不明显，甚至转为负相关，表明资产回报率是稳定的，并逐渐恢复到平均值。
综上所述，面板A1和B1显示，高管理人情绪预示着短期的高资产回报率，但后续预期外盈利将会降低，管理人情绪高涨时期的超预期盈利曲线随时间呈出U形图案。我们的发现与Greenwood and Shleifer （2014）和Hirshleifer 等人 （2015）的外推期望模型基本一致。在t年，当管理人情绪高涨时，已实现的总收入也很高，超预期盈利则不确定。管理人乐观地由t年盈利趋势判断t+1年利润也会很高。在t+1年，已实现盈利恢复到平均值，导致负的超预期盈利。管理人从中吸取教训，并下调t+2年盈利预期。因此，在t+2年后，不再有重大的超预期盈利。
在图12的面板C中，我们执行了一项额外的年度市场回报预测测试，以进一步说明我们的结果的作用机理，即管理人情绪指数的预测能力来自错误地预测未来盈利。我们研究了在控制有关超预期盈利的未来信息后，管理人情绪是否继续有效地预测未来的股票回报，
如果管理人情绪的收益预测能力源于对基本面的错误预期，那么管理人情绪将被随后的超预期盈利所包含。面板C的结果表明，在年度预测范围内，当我们控制未来一年超预期盈利时，管理人情绪不再与未来一年的累计超额总市场收益相关联。因此，对未来现金流的预期误差可能是管理人情绪对未来股票回报的预测能力的主要驱动因素。
在公司层面，Loughran和McDonald（2011）发现，管理人情绪负向预测了财报日之后的超预期季度盈利，他们认为管理人正有策略性地降低投资者预期。我们的研究进一步表明，在公司层面的管理人情绪与同期收益和超预期盈利呈正相关，但负向预测了随后季度的超预期盈利，类似于图12中在的总体层面的结果。我们认为，Loughran和McDonald（2011）的观点可能无法完全解释我们的结果，因为我们能在情绪上更好地进行解释，随着盈利到达高点，管理人在扩张结束时变得过于乐观，而在经济衰退期结束，盈利开始反弹之前，管理人变得过于悲观。如图5所示，我们观察到管理人情绪指数在高情绪和低情绪时期有预测能力，而高情绪时期的预测能力更强。Loughran和McDonald的观点可以解释低情绪时期的结果，但可能与高情绪时的结果不一致。当管理人情绪低迷时，管理人可能会策略性地降低投资者预期，以在未来产生积极的超预期盈利。然而，他们的观点不能解释高情绪预示着负的未来超预期盈利的情形，管理人为何会用高涨的情绪来战略性地提高投资者的预期。此外，Loughran和McDonald的观点无法解释图13和第5.2节中的情形，即为什么高管理人情绪会导致过度投资。
最后，在图12中，我们进一步控制投资者情绪，并重新进行上述所有测试，以查看管理人情绪是否仍然具有预测能力。面板A2和B2显示，管理人情绪对总超预期盈利和总收入的预测能力仍然很大，将投资者情绪纳入回归模型后的结果与之前单变量回归基本一致。相比之下，投资者情绪通常对未来总收入和超预期盈利的预测能力不强。面板C进一步表明，投资者情绪的收益预测能力与未来超预期盈利有弱相关性。总之，我们的研究结果表明，管理人情绪与投资者情绪不同。管理人情绪捕捉到有关未来现金流的错误预期，投资者情绪可能包含关于未来预期回报或贴现率的错误预期的信息。
6.2
管理人情绪与总投资增长
在本节中，我们研究了管理人情绪与未来总投资增长之间的关系，以确定其预测能力的潜在来源。现有文献表明，管理人的投资决策可能受到情绪的影响（Arif，Lee，2014，Gennaioli，Ma，Shleifer，2016）。因此，当管理人情绪高涨时，因为他们高估了投资的未来现金流，可能会过度进行资本支出，损害了公司价值和未来股票的收益。
图13面板A的其余部分显示，在管理人情绪高涨的时期之后，总投资增长的变化曲线呈现出驼峰形图案。在短至三个季度内，管理人情绪与总投资增长正相关。管理人情绪与总投资增长之间的关系在随后的一年内不显著。然而，在长达两年的较长期限内，高管理人情绪预示着总投资将急剧下降。总之，管理人情绪似乎在扩张结束时达到顶峰，在衰退结束时达到低谷，高涨的管理人情绪预示着短期内投资增长高，但长期投资增长低。
我们的结果与Gennaioli等人（2016）的投资外推预期模型和Lamont（2000）的投资滞后摩擦模型基本一致。当管理人情绪高涨时，总盈利可能很高，股市可能被高估。公司管理人因为近期的盈利与股价表现持乐观态度，因此决定进行更多投资。当公司基本面低于预期时，股市会迅速做出反应纠正情绪驱动的高估值，进而导致股票收益低。然而，在股价下跌时，管理人似乎并未及时反应过来，在随后三个季度内仍然过度投资，这一现象可能是由于实际投资支出滞后于管理人的投资决策。投资行动的滞后和调整投资的成本使得企业无法立即改变投资，这可能导致实际投资与股票收益呈负相关（Lamont， 2000， Li， Wang， Yu）。此外，Gennaioli等人（2016）和Kothari等人（2016）研究表明，管理人基于过去一年盈利和股票回报而改变预期是一个缓慢的过程，其决策反应力也因此很慢。在一年内，管理人可能会因为盈利不及预期和股价下跌后制定削减投资的计划，但由于投资行动的滞后，实际投资的下降发生在下一年。
Arif和Lee（2014）表明，高涨的投资者情绪与总投资的增加有关。因此，我们控制投资者情绪，以测试管理人情绪是否仍然具有预测能力，还是其预测能力来源于与投资者情绪的正相关性。我们对管理人情绪指数S_t^MS和Baker 和 Wurgler (2006)投资者情绪指数S^BW执行以下的双变量预测回归，
我们在图13的面板B中给出了回归结果。
图13的面板B显示，将投资者情绪纳入模型时，管理人情绪对未来总投资增长的预测能力仍然显著，不受投资者情绪的影响。相比之下，投资者情绪对总投资的预测能力很小。因此，该结果表明管理人情绪与现有投资者情绪不同，高涨的管理人情绪与过度投资密切相关，但投资者情绪与过度投资之间的联系很弱。
总之，图13显示，管理人情绪高（低）的时期伴随着高（低）的总投资增长。并在随后的一年中保持高（低）增长，当低（高）的投资回报被管理人发现时在两年内回归到平均值，这一发现表明，较高的管理人情绪指数反映了管理人对未来的投资回报过于乐观，从而导致过度投资。相比之下，投资者情绪对过度投资的预测能力很低。
6.3
管理人情绪依特征排序的投资组合
在本节中，我们在截面上研究管理人情绪对股票收益的影响。根据Baker 和 Wurgler（2006），Stambaugh 等人. （2012）和Huang 等人. （2015）的研究，如果管理人情绪指数反映了市场情绪，那么其在更具投机价值、难以估值和套利成本高的股票中的预测能力应该更强。这些截面测试不仅是管理人情绪指数对市场有预测能力的成果的力证，而且还加深了我们对管理人情绪影响资产价格的经济机制的理解。
我们考虑了 15 个常见的截面上的异常情况，这些异常是通过对公司单特征进行排序而产生的，包括资本投资、SA 财务约束计量指数、股息支付、杠杆率、Ohlson破产概率指标、ROE、超预期盈利 （SUE）、账面市值比率 （B/M）、股价、股票成交量、特质波动、市场贝塔、情绪贝塔、公司成立时长和公司规模， 这些特征与估值的主观性和套利的限制有关，定义如下：
资本投资，总资产的逐年变化除以滞后的总资产。高投资公司是高成长型股票，而低投资的公司则会陷入困境。
SA指数，财务约束指标的计算公式为：-0.737×Size+0.043×Size^2-0.040×Age，其中Size等于经通胀调整的账面资产的对数，Age是公司在Compustat上有非空值股价的年数。财务约束强的公司往往难以估值，也难以套利。
股息支付，股息总额除以账面净资产。低股息股票很难估值和套利。
杠杆，净债务与市值的比率。高杠杆公司具有投机性并且往往陷入经营困境。
Ohlson破产概率指标（1980）的计算标准是使用企业会计量在静态模型中估计的破产概率。陷入困境的公司很难套利。
净资产收益率ROE，扣除非常项目后的收入除以滞后的账面净资产。不盈利的公司很难估值，它们的套利限制更高。
SUE，季度盈利相对于上一年期同期的同比变化，按股价标准化。盈利超过或不及预期公司很难估值。
B/M，账面市值比率。低B/M公司有高增长机会，高B/M公司则会陷入困境，B/M适中的公司稳定。高增长公司和陷入困境的公司都难以估值，套利成本也很高。
价格，CRSP的每股股票价格。低价股票流动性差，难以套利。
股票换手率，过去六个月平均交易股票数量除以的流通股票数量。换手率高的股票不确定且难以估值，而换手率低的股票流动性差，难以套利。
特质波动率，一年内回归每日股票收益率与市场收益率所得残差的标准差。高波动性股票更具投机性，难以套利。
Beta，Scholes-Williams beta，可从CRSP获得。高贝塔股票更容易投机，也更难套利。
情绪Beta，月度投资组合收益对管理人情绪指数月度变化的Beta，用于衡量组合对管理人情绪的敏感性。
成立年限，公司上市的年数。年轻的公司更难估值和套利。
规模，每股价格乘以CRSP的流通股数量。小公司很难套利。
我们根据上述15个公司特征每月形成10组投资组合分为。组 1 是指特征值最低投资组合，组 10 是指特征值最高的组合。然后，我们在以管理人情绪为条件在截面分组中寻找规律。我们预计，正如Baker 和 Wurgler（2006）的研究成果一样，管理人情绪对于投机性强和未来现金流难以估计（即高投资，低股息支付，低盈利能力，高超预期盈利，高增长机会，高换手率，高波动性，高Beta，年轻，小市值）或套利成本高（即低投资，高资金约束，高杠杆，高困境，低盈利能力，高增长机会，低价格，高波动性，高Beta，年轻，小市值）的股票预测能力更强。
图14绘制了2003年1月至2014年12月样本期特征十组投资组合的回归的回归系数β，
这里R_(t+1)^j是 15 个特征的10组投资组合的月超额收益，S^MS是滞后的管理人情绪指数。图 14 中的结果表明，S^MS 的所有回归斜率估计值是较大的负数。因此，与总体市场收益的结果一致，管理人情绪对后续股票收益的负向预测能力在横截面上也很显著。更重要的是，我们检测到回归斜率在截面上的变化。对于高投资和高增长、高 SA 财务约束指标、低股息支付、高杠杆、高财务困境（高 Ohlson破产概率指标、高 B/M、低投资）、低 ROE、高绝对超预期盈利、低价格、高换手率、高波动性、高Beta、高情绪Beta、年轻和小市值的公司，斜率更倾向负值。这些结果与我们的假设一致，在投机性高、难以估值或套利成本高的股票中，管理人情绪的影响更强。
图15显示了15个基于特征的10组投资组合的月度多空收益在管理人情绪指数（S^MS）单变量回归和加入Baker 和 Wurgler（2006）投资者情绪指数（S^BW)双变量回归的系数.多空投资组合的收益为 10−1、10−5 和 5−1 （R_(t+1)^j），分别为计算10 和 1组、10 和 5 组以及 5 和 1 组之间的超额收益差值。我们采用图15中的预测回归分析管理人情绪对股票收益的横断面影响。
图15的面板A证实了我们的假设，与Baker和Wurgler（2006）的结论一致，管理人情绪通常对现金流难以估值（即高投资、低股息支付、低盈利能力、高超预期盈利、高增长机会、高换手率、高波动性、高Beta系数、年轻、小市值）或套利成本高（低投资，高财务约束，高杠杆，高困境，低盈利能力，高增长机会，低价格，高波动性，高贝塔，年轻，小市值）的股票影响更大。横断面的差异在统计上显著。例如，管理人情绪指数 S^MS增加一个标准差后，高Bata和低Beta股票之间的多空收益下降 −2.34%，在 1% 的水平上显著。因此，管理人情绪对高Beta股票的影响明显大于低Beta股票。对于其他特征，我们也有类似的发现。
图15的面板B进一步表明，在控制投资者情绪时，管理人情绪的预测能力仍然很显著。此外，面板B显示，投资者情绪对高SA指数，高杠杆，高Ohlson破产概率指标，低ROE，低价格，低换手率，高波动性，年轻和小市值股票的有着显著的预测能力，这些属于套利成本高的公司。然而相比管理人情绪指数，投资者情绪指数对难以估值的公司具有极低的预测能力。直观上理解，难以估值的股票可能更不透明，估值不确定性更高，因此管理人更容易犯错误，从而管理人情绪具有更强的预测能力。难以套利的股票可能与其流动性不足相关，因此管理人情绪和投资者情绪都很重要。
总之，我们的研究结果表明，管理人情绪具有很强的负向预测能力，这种预测能力随公司的横截面的特征而变化，特别是对于难以估值且套利成本高昂的公司预测能力更强。相比之下，投资者情绪对套利成本高昂的股票有很好的预测能力，但对难以估值的股票预测能力不强。
七
总结
在本文中，我们提出了一种基于年报季报和电话会议中综合文本语气构建的管理人情绪指数。我们发现，在管理人情绪高涨的时期，管理人情绪负向预测股票收益。管理人情绪的预测能力远远大于常用的宏观经济变量，其表现也优于现有的投资者情绪指标。在预测股票收益时，管理人情绪与投资者情绪相互补充，两者对估值的影响不同。此外，较高的管理人情绪预示着较低的超预期盈利和更高的总投资增长，这意味着管理人情绪的可预测性来源于其对未来现金流和过度投资的预期偏差。最后，管理人情绪也强烈预测截面上的股票收益，特别是对于难以估值或套利成本高昂的股票。
总体而言，我们的实证结果表明，无论是在市场层面还是在横截面上，管理人情绪对股票收益都具有很强的负向预测能力。在样本内和样本外的测试中都有很强的预测能力，并且可以应用于资产配置为投资者带来巨大的经济收益。虽然投资者情绪已被广泛用于各种金融问题，但管理人情绪指数包含对现有投资者情绪指标的补充信息，未来也可能大量应用到会计和金融领域中。
注：本文选自国信证券于2023年03月20日发布的研究报告《上市公司信息披露文本语气与股票预期收益》
分析师：张欣慰 S0980520060001
分析师：张 宇 S0980520080004
风险提示：本报告内容基于相关文献，不构成投资建议。
本篇文章来源于微信公众号: 量化藏经阁
